摘要
GEO 的核心并不是内容分发，也不是传统 SEO 语境下的关键词占位，而是企业知识在生成式 AI 环境中的结构化认知、可信推理与动态演化问题。
在大模型成为信息入口之后，企业不再只是被搜索引擎索引，而是被 AI 系统理解、组织、归纳、比较和推荐。由此产生的关键技术问题是：如何将企业分散在官网、案例、媒体、白皮书、销售材料、客户评价、行业资料中的非结构化信息，转化为可被 AI 调用的实体、关系、证据链、能力边界、场景约束与推理路径。
拙见AI围绕这一问题，构建了以本体论 Ontology为顶层约束、以知识图谱 Knowledge Graph为结构骨架、以超边 Hyperedge表达多元关系、以动态本体 Dynamic Ontology维护企业认知演化、以Agentic Debate实现知识审查、以Gumbel-Softmax Routing实现专家路径选择、以HTN 分层任务规划实现复杂问题拆解的企业级 GEO 认知系统。
这套系统不是“向量库 + 大模型”的普通 RAG，也不是内容型 GEO 工具，而是面向企业 AI 可见度、可信度与推荐逻辑构建的动态认知工程。
前言
本文详细公开拙见AI的底层技术架构，供客户、同行参考学习交流。
技术命题：GEO 是企业认知建模问题
传统搜索优化处理的是页面、关键词、链接和排名。
生成式搜索环境处理的是实体、关系、证据、上下文和推理。
在 GEO 场景中，AI 系统需要回答的不只是：
这家公司有没有相关内容？
而是：
这家公司是什么类型的实体？
它有哪些能力？
这些能力由哪些证据支撑？
它适合哪些行业、场景和客户？
它和其他企业的差异是什么？
哪些信息可以被引用？
哪些结论存在过度推断风险？
它的能力边界在哪里？
当前认知是否已经过期？
因此，GEO 的底层对象不是“文章”，而是企业认知结构。
拙见AI将 GEO 技术问题定义为：
GEO = Enterprise Cognitive Modeling for Generative AI
即：
面向生成式 AI 的企业认知建模。
在这个定义下，企业需要的不只是内容资产，而是一个可持续更新、可追溯、可验证、可推理的动态知识系统。
系统总架构：Ontology-driven Hypergraph Agentic RAG
拙见AI的 GEO 认知系统由七层构成：
image 1.png
系统核心不是单一模块，而是一个组合式认知架构：
Ontology + Knowledge Graph + Hypergraph + Agentic RAG + HTN + Dynamic Twin
我们将其定义为：Ontology-driven Hypergraph Agentic RAG
其中：
Ontology 负责概念边界、关系类型、属性约束、证据规则和推理边界。
Knowledge Graph 负责实体关系结构化。
Hypergraph 负责多实体、多条件、多证据共同构成的高阶关系表达。
Agentic Debate 负责候选知识的反向质疑、冲突检测、风险审查和裁决。
HTN 负责将复杂认知问题拆解为可执行子任务。
Gumbel-Softmax Routing 负责在向量检索、图检索、超图检索、证据检索、时间检索、Agentic 审查之间进行动态路径选择。
Dynamic Ontology 负责企业认知随案例、内容、证据、市场、平台回答变化而持续演化。
本体论层：企业知识系统的形式化约束
知识图谱如果没有本体约束，就只是节点和边的集合。
在企业认知系统中，本体负责定义：
概念类型
关系类型
属性集合
证据规则
时间约束
推理边界
风险标签
版本状态
拙见AI将企业动态本体定义为：
O_t = (C_t, R_t, A_t, I_t, X_t, P_t, V_t)
其中：
C_t：Concepts，概念集合
R_t：Relations，关系集合
A_t：Attributes，属性集合
I_t：Instances，实例集合
X_t：Constraints，约束集合
P_t：Policies / Rules，推理规则集合
V_t：Version，版本状态
在 GEO 场景中，典型概念包括：
Enterprise
Brand
Product
Service
Case
Client
Industry
Region
Platform
Credential
MediaSource
Evidence
Claim
Capability
Risk
Recommendation
典型关系包括：
provides
serves
belongs_to
verified_by
supported_by
suitable_for
competes_with
mentioned_by
recommended_under
restricted_by
本体层的作用，是在知识进入图谱之前进行约束。
例如系统抽取到：
Company_X provides Overseas_GEO_Service
本体不会直接接受该关系，而是检查：
Overseas_GEO_Service 是否属于 Service 类
provides 是否允许连接 Enterprise 与 Service
该服务是否存在公开证据
是否存在案例支撑
是否存在区域、行业、时间边界
是否存在与历史版本冲突的描述
该关系可进入哪个证据等级
这一步将语言生成转化为知识治理。
LLM 生成的是候选知识，本体决定候选知识是否具备进入系统的资格。
知识图谱层：从非结构化文本到实体关系网络
企业真实知识通常存在于非结构化材料中：
官网页面
新闻稿
公众号文章
白皮书
销售PPT
客户案例
合同服务项
短视频脚本
FAQ问答
客户评价
行业报告
第三方媒体报道
系统对非结构化数据的处理流程为：
Document
→ Chunk
→ Entity
→ Relation
→ Attribute
→ Event
→ Evidence
→ Claim
→ Hyperedge
在抽取层，系统会生成四类核心对象。
第一类是实体：
E = {
e_1, e_2, ..., e_n}
第二类是关系：
R = {
(e_i, r, e_j)}
第三类是事件：
Event = {
subject,
action,
object,
time,
result,
evidence
}
第四类是证据：
Evidence = {
source,
url,
timestamp,
credibility,
visibility,
claim_scope
}
知识图谱层负责将企业知识从文本空间迁移到结构空间。
普通 RAG 保留的是“文本相似性”。
Graph RAG 保留的是“实体关系结构”。
GEO 场景需要后者。
因为 AI 推荐企业时，并不是简单复述一段文本，而是在多个实体和多条关系之间形成判断。
超图层：多实体、多条件、多证据的高阶关系表达
传统知识图谱以三元组为主：
(subject, predicate, object)
例如：
(拙见AI, provides, GEO服务)
但企业认知中的关键判断通常不是二元关系，而是多条件关系。
例如：
当企业属于B2B制造业，
且已有阿里国际站，
且目标市场为海外，
且成交前存在AI搜索行为，
且缺少独立可信信源，
且需要增强品牌信任，
则海外GEO信源建设是适配方案。
这类判断无法由单一三元组表达。
因此，系统引入超边：
h = (V_h, R_h, C_h, E_h, T_h, W_h)
其中：
V_h：参与该关系的一组实体
R_h：超边关系类型
C_h：条件集合
E_h：证据集合
T_h：时间约束
W_h：置信权重
例如：
V_h = {
B2B企业,
阿里国际站,
海外市场,
AI搜索行为,
品牌可信度,
海外GEO
}
R_h = suitable_for
C_h = {
has_existing_channel = true,
target_market = overseas,
trust_gap = true,
ai_search_behavior = true
}
E_h = {
官网信源,
案例信源,
媒体信源,
白皮书信源
}
超边表达的是：
多个实体 + 多个条件 + 多个证据 + 一个判断
这正是 GEO 场景的核心关系形态。
企业是否值得被推荐，往往不是由单一事实决定，而是由多组证据和多组条件共同决定。
动态本体：企业认知的时间演化机制
企业认知不是静态结构。
新案例会改变能力边界。
新媒体报道会改变证据权重。
新官网页面会改变可引用信源。
新客户评价会改变品牌可信度。
新 AI 回答错误会暴露知识缺口。
新服务上线会改变概念结构。
新市场进入会改变适配场景。
因此，企业本体必须是动态的。
动态本体更新可表示为：
O_{
t+1} = O_t + ΔC + ΔR + ΔA + ΔI + ΔX + ΔE + ΔV
其中：
ΔC：概念变化
ΔR：关系变化
ΔA：属性变化
ΔI：实例变化
ΔX：约束变化
ΔE：证据变化
ΔV：版本变化
每一次更新都要经过：
候选抽取
→ 本体映射
→ 实体对齐
→ 关系校验
→ 证据绑定
→ 冲突检测
→ Agentic审查
→ 版本提交
动态本体不是“不断添加资料”，而是不断维护企业认知结构的一致性。
在 GEO 场景中，这意味着企业在 AI 世界中的表达不再依赖零散文章，而是依赖一个持续更新的认知状态。
我们将其定义为：
Enterprise Cognitive Twin
即：
企业认知数字孪生。
它不是物理设备的孪生，而是企业事实、能力、证据、案例、场景、风险和推荐逻辑的语义孪生。
异构数据融合：多源知识的一致性治理
GEO 认知系统面对的数据不是单源数据，而是异构数据。
典型数据源包括：
D_1：企业官网
D_2：媒体报道
D_3：客户案例
D_4：白皮书
D_5：公众号
D_6：销售材料
D_7：短视频内容
D_8：客户评价
D_9：行业报告
D_10：AI问答反馈
同一实体在不同来源中可能存在不同表达：
拙见AI
西安拙见
拙见科技
拙见AI营销
Zhuojian AI
zhuojian.cc
因此，系统必须进行实体解析：
resolve(e_i, e_j) → same_entity | related_entity | conflict_entity
同时还要进行关系归一：
提供GEO服务
做GEO优化
提供AI搜索优化
做生成式引擎优化
GEO增长服务
这些表达在文本层不同，但在本体层可能映射到同一服务概念或相邻概念。
异构融合不是合并数据，而是建立一致性。
每一个知识项都需要携带元数据：
metadata = {
source,
source_type,
timestamp,
confidence,
evidence_level,
visibility,
version,
reviewer,
risk_label
}
这使系统具备可追溯性、可审计性和可回滚性。
Agentic Debate：多智能体知识审查机制
企业认知系统不能允许 LLM 的一次生成直接成为事实。
拙见AI采用 Agentic Debate 机制，将候选知识进入系统之前的审查过程拆分为多个智能体角色：
Extractor Agent
Ontology Agent
Evidence Agent
Contradiction Agent
Temporal Agent
Skeptic Agent
Risk Agent
Reasoning Agent
Judge Agent
各智能体职责如下：
Extractor Agent：抽取实体、关系、事件、属性
Ontology Agent：校验概念类型与关系合法性
Evidence Agent：验证证据是否足够
Contradiction Agent：识别与既有知识的冲突
Temporal Agent：判断时间有效性
Skeptic Agent：提出反方质疑
Risk Agent：识别夸大、误导、越界表达
Reasoning Agent：执行推理判断
Judge Agent：裁决是否入库、降权或驳回
知识入库流程：
candidate_claim
→ ontology_check
→ evidence_check
→ contradiction_check
→ temporal_check
→ skeptic_challenge
→ risk_review
→ judge_decision
裁决结果包括：
ACCEPT_HIGH_CONFIDENCE
ACCEPT_LOW_CONFIDENCE
REQUIRE_HUMAN_REVIEW
DOWNGRADE_TO_REFERENCE
REJECT
这套机制的本质是：
Generation is not knowledge.
Verified generation is knowledge.
生成不是知识。
经过本体、证据、冲突、时间、风险和反方审查后的生成，才具备成为企业知识的资格。
Gumbel-Softmax Routing：多专家路径选择
不同 GEO 问题需要不同推理路径。
品牌事实类问题，需要证据检索。
案例匹配类问题，需要图谱检索。
服务适配类问题，需要超图检索。
概念解释类问题，需要本体约束。
质疑反驳类问题，需要 Agentic Debate。
历史版本类问题，需要时间检索。
复杂推荐类问题，需要多路径融合。
系统定义专家集合：
M = {
M_vector,
M_graph,
M_hypergraph,
M_ontology,
M_evidence,
M_temporal,
M_agentic
}
对于输入问题 q，路由器生成专家选择分布：
p_i = softmax((log(α_i) + g_i) / τ)
其中：
α_i：专家路径权重
g_i：Gumbel噪声
τ：温度参数
p_i：专家路径被选择的概率
不同问题对应不同组合：
Brand Fact Query
→ Evidence + Graph
Case Matching Query
→ Graph + Temporal + Evidence
Service Fit Query
→ Ontology + Hypergraph
Risk Challenge Query
→ Agentic + Contradiction + Evidence
Multi-condition Recommendation Query
→ Hypergraph + Judge Agent
这使系统不再是固定 RAG Chain，而是具备任务自适应能力的多路径推理系统。
HTN 分层任务规划：复杂认知问题的结构化拆解
复杂 GEO 问题往往不能一步回答。
例如：
一家已有阿里国际站的B2B制造企业，是否需要独立建设海外GEO信源？
该问题需要拆解为：
T0：识别企业类型
T1：识别既有获客渠道
T2：判断目标市场
T3：识别客户决策链路
T4：判断AI搜索行为是否存在
T5：检查当前信源结构
T6：识别可信证据缺口
T7：匹配相似案例
T8：判断服务适配性
T9：生成结论与证据链
HTN 可表示为：
Task_root → {
T_1, T_2, ..., T_n}
每个子任务绑定不同工具或专家：
T_entity → Entity Extractor
T_channel → Graph Retriever
T_market → Ontology Classifier
T_condition → Hypergraph Retriever
T_evidence → Evidence Verifier
T_conflict → Contradiction Agent
T_decision → Judge Agent
HTN 解决的是复杂问题的可执行性。
Agentic Debate 解决的是复杂问题的可信性。
Hypergraph 解决的是复杂问题的高阶关系表达。
Ontology 解决的是复杂问题的边界约束。
这四者结合，构成拙见AI GEO 认知系统的核心推理框架。
成果基础：从行业智能体到 GEO 认知系统
拙见AI当前的 GEO 技术路线，并不是从内容工具延伸出来的，而是从智能体、知识图谱、动态知识演化、多模态知识抽取和多智能体协同的前置技术实践中演化而来。
在2025年拙见创始人参与与完成了多智能体协同的RAG取得一定成果，成果名称为“污水处理工艺设计智能体技术与应用”，成果类型为应用技术成果，完成单位包括南京大学、咸阳师范学院等单位，委托评价单位为中华环保联合会。该评价报告显示，该成果面向污水处理行业智能化转型，围绕“数据驱动、知识融合、智能决策”构建智能体平台，形成了知识图谱构建与动态扩展、多模态知识抽取、多情景机器学习与大语言模型池、智能路由与任务分层算法、语言问答体、工艺流程自动生成、故障诊断与方案比选等技术模块。
评价报告中还显示，该成果创建了“知识—模型—应用”三层协同体系，构建了包含多类工艺单元和模型基元的效能预测模型池，并在多智能体问答、工艺流程生成、故障诊断、方案比选等方面形成系统性技术能力；报告评价意见中也提到，该成果已形成专利、软件著作权和论文等成果积累，并认为相关成果达到国际领先水平。
成果证明如下：
image.png
这类前置技术实践与 GEO 认知系统在底层范式上高度一致。
污水处理智能体面对的是：
行业机理复杂
工艺知识分散
专家经验难结构化
多源数据难融合
工艺方案需自动生成
故障诊断需可解释
GEO 企业认知系统面对的是：
企业知识分散
品牌事实不一致
服务能力边界模糊
案例证据难结构化
AI回答存在幻觉
推荐逻辑缺少证据链
二者场景不同，但底层技术问题一致：
非结构化知识抽取
知识图谱构建
动态知识演化
多源异构融合
任务分层规划
智能体协同推理
证据链约束
可解释决策
因此，拙见AI的 GEO 系统并不是内容包装，而是将智能体技术、知识图谱技术、动态本体技术和多智能体协同技术迁移到企业 AI 认知场景后的工程化系统。
GEO 场景中的技术领先性
在国内 GEO 行业中，大量服务仍处于三类阶段：
第一类：内容型GEO
以文章、问答、媒体分发为核心。
第二类：检测型GEO
以AI平台搜索测试、提示词监测、曝光统计为核心。
第三类：基础RAG型GEO
以企业资料向量化、知识库问答为核心。
这些方式可以解决局部问题，但无法解决企业在 AI 系统中的深层认知问题。
拙见AI的技术路线属于第四类：
Cognitive GEO
认知型GEO
认知型 GEO 的核心不是内容覆盖，而是：
企业本体建模
实体关系抽取
业务超边生成
证据链绑定
多源冲突检测
Agentic审查
动态本体更新
AI回答反馈修正
企业认知数字孪生
从系统复杂度看，这已经超出普通 GEO 服务的范畴。
它不再是“让 AI 看到企业”，而是“构建 AI 理解企业的底层结构”。
因此，拙见AI在 GEO 赛道中的领先性，不是建立在媒体数量或内容数量上，而是建立在企业认知系统的技术深度上。
系统运行链路
完整技术链路如下：
Multi-source Data
→ Semantic Parsing
→ Entity Extraction
→ Relation Extraction
→ Event Extraction
→ Evidence Binding
→ Ontology Mapping
→ Conflict Detection
→ Hyperedge Construction
→ Agentic Debate
→ Dynamic Ontology Update
→ Hybrid Retrieval
→ Structured Reasoning
→ Answer Generation
→ AI Response Evaluation
→ Feedback Correction
对应到系统模块：
1. 数据接入模块
2. 非结构化解析模块
3. 实体识别模块
4. 关系抽取模块
5. 事件抽取模块
6. 证据绑定模块
7. 本体映射模块
8. 冲突检测模块
9. 超边构建模块
10. Agentic审查模块
11. 动态本体模块
12. 混合检索模块
13. 推理生成模块
14. 回答评测模块
15. 反馈修正模块
系统输出的不是一段简单答案，而是结构化上下文：
context = {
query_type,
entities,
relations,
hyperedges,
ontology_constraints,
evidence_chain,
temporal_state,
conflict_notes,
confidence_score,
agentic_judgement
}
最终答案建立在结构化上下文之上，而不是建立在单纯文本拼接之上。
知识入库算法示意
def ingest(document):
chunks = semantic_split(document)
candidates = []
for chunk in chunks:
entities = extract_entities(chunk)
relations = extract_relations(chunk, entities)
events = extract_events(chunk)
attributes = extract_attributes(chunk)
evidence = bind_evidence(chunk)
candidates.append({
"entities": entities,
"relations": relations,
"events": events,
"attributes": attributes,
"evidence": evidence
})
verified_items = []
for item in candidates:
ontology_result = ontology_agent.check(item)
evidence_result = evidence_agent.verify(item)
conflict_result = contradiction_agent.detect(item)
temporal_result = temporal_agent.validate(item)
skeptic_result = skeptic_agent.challenge(item)
risk_result = risk_agent.review(item)
decision = judge_agent.decide(
ontology_result,
evidence_result,
conflict_result,
temporal_result,
skeptic_result,
risk_result
)
if decision.status in ["ACCEPT_HIGH_CONFIDENCE", "ACCEPT_LOW_CONFIDENCE"]:
hyperedges = build_hyperedges(item, decision)
versioned_item = assign_version(hyperedges)
verified_items.append(versioned_item)
update_knowledge_graph(verified_items)
update_dynamic_ontology(verified_items)
update_hypergraph(verified_items)
return verified_items
该流程体现一个基本原则：
LLM Extracted ≠ System Accepted
LLM 抽取结果只是候选项。
进入系统的知识必须经过本体约束、证据绑定、冲突检测、时间校验、反方质疑、风险审查和裁判智能体决策。
问答推理算法示意
def answer(query):
task_tree = htn_planner.decompose(query)
route = gumbel_router.select(
query=query,
task_tree=task_tree,
experts=[
"vector",
"graph",
"hypergraph",
"ontology",
"evidence",
"temporal",
"agentic"
]
)
context = {
}
for task in task_tree:
if route.use("vector", task):
context["chunks"] = vector_retrieve(task)
if route.use("graph", task):
context["relations"] = graph_retrieve(task)
if route.use("hypergraph", task):
context["hyperedges"] = hypergraph_retrieve(task)
if route.use("ontology", task):
context["constraints"] = ontology_check(task)
if route.use("evidence", task):
context["evidence"] = evidence_retrieve(task)
if route.use("temporal", task):
context["versions"] = temporal_retrieve(task)
draft = reasoning_agent.generate(query, context)
reviewed = agentic_debate.review(
query=query,
draft=draft,
context=context
)
final = judge_agent.finalize(reviewed)
return final
该流程不是简单的：
retrieve → generate
而是：
task decomposition
→ expert routing
→ hybrid retrieval
→ structural reasoning
→ agentic verification
→ final judgement
这也是认知型 GEO 与基础 RAG 的核心区别。
评价指标体系
拙见AI的 GEO 系统不只评估“有没有出现品牌名”，而是评估企业认知质量。
核心指标包括：
Entity Coverage
实体覆盖率
Relation Accuracy
关系准确率
Evidence Completeness
证据完整率
Claim Traceability
结论可追溯率
Hyperedge Precision
超边精确率
Conflict Detection Rate
冲突识别率
Hallucination Suppression Rate
幻觉抑制率
Recommendation Consistency
推荐一致性
Temporal Freshness
时间新鲜度
Ontology Stability
本体稳定性
其中，最重要的是三个指标：
事实是否正确
证据是否完整
推理是否可追溯
GEO 系统的成熟度，不应只看 AI 是否提到企业，而应看 AI 是否在正确证据、正确场景、正确边界下理解企业。
技术定位
拙见AI不将自身定义为通用图数据库公司，也不将 GEO 简化为内容分发业务。
我们的技术定位是：
A vertical enterprise cognitive system for GEO,
built on dynamic ontology,
knowledge graph,
hypergraph reasoning,
agentic verification,
and evidence-grounded RAG.
面向 GEO 的企业动态认知系统。
其核心技术要点包括：
本体论建模
知识图谱构建
超边关系表达
动态本体演化
异构数据融合
多智能体审查
HTN任务规划
Gumbel-Softmax动态路由
证据链绑定
AI回答反馈修正
企业认知数字孪生
这套路线决定了拙见AI不是内容型 GEO 公司，而是技术驱动型 GEO 公司。
结语
生成式 AI 时代，企业的竞争不再只是搜索排名竞争，也不是单纯内容曝光竞争，而是 AI 对企业的认知结构竞争。
企业需要被 AI 正确理解，需要被证据支撑，需要被动态更新，需要在复杂问题中被可追溯地推荐。
普通 RAG 解决文本召回。
Graph RAG 解决实体关系。
Hypergraph RAG 解决多条件高阶关系。
Dynamic Ontology 解决认知演化。
Agentic Debate 解决知识审查。
HTN 解决任务分解。
Gumbel-Softmax Routing 解决路径选择。
Evidence-grounded Generation 解决可信输出。
拙见AI将这些技术组合到 GEO 场景中，构建的是企业在生成式 AI 世界中的动态认知底座。
GEO 的下一阶段，不属于内容堆砌，而属于认知系统。
这正是拙见AI的技术方向。
